CN104268570B

CN104268570B - 一种基于类内差异的层次化单分类舰船目标虚警剔除方法

Info

Publication number: CN104268570B
Application number: CN201410483672.2A
Authority: CN
Inventors: 龙腾; 杨小婷; 毕福昆; 陈亮
Original assignee: Beijing Institute of Technology BIT
Current assignee: Beijing Institute of Technology BIT
Priority date: 2014-09-19
Filing date: 2014-09-19
Publication date: 2017-10-20
Anticipated expiration: 2034-09-19
Also published as: CN104268570A

Abstract

本发明公开了一种基于类内差异的层次化单分类舰船目标虚警剔除方法，将光学遥感图像分为大船、小船和虚警切片，然后基于大船特征数据建立第一层分类器，利用第一层分类器可基本将舰船检测中最需要关注的大船识别出来；当大船特征比较明显时，经过一级检测就可将大船检测出来，因此可实现快速检测大船的目的；将漏检的大船数据集进行训练形成第二层分类器，当第一层分类器未把大船识别出来时，第二层分类器可将该容易漏检的大船检测出来，因此可提高检测概率；经过第一层分类器和第二层分类器的筛除，把小船数据集中具有大船特征的剔除，保留具有明显小船特征的数据，形成小船错分集，提高小船的检测概率。

Description

一种基于类内差异的层次化单分类舰船目标虚警剔除方法

技术领域

本发明属于目标识别领域技术领域，具体涉及一种基于类内差异的层次化单分类舰船目标虚警剔除方法。

背景技术

舰船检测对于国家海洋安全、海洋管理、监控非法捕捞等具有突出作用。近年来，随着遥感技术的显著进步，遥感技术也被广泛的应用于舰船检测领域。其中光学遥感图像舰船检测具有非常的重要意义。光学遥感图像具有分辨率高、覆盖面广、包含的信息量大等突出特点，但是容易受到多种因素的影响产生噪声、阴影等干扰。另外，在舰船检测中海面背景相对比较复杂，而且还会受到云层干扰等情况，不但增加了虚警，同时也降低了目标与虚警的区分度。从而，增加了舰船检测的复杂度。

目前的光学遥感图像舰船检测算法主要有：1)基于图像灰度与边缘信息进行阈值分割；2)基于局部对比度阈值判决进行预判决，再用神经网络分类器进行进一步目标鉴别；3)引入机器学习理论将目标与虚警分成不同子类进行机器学习，最终找到能将目标与虚警区分的分类器，等算法。综合目前这些方法都能剔除部分虚警，但是均很难将极易判为舰船的虚警进行有效剔除，如：云和小岛等。而有些方法中用到的分类器比如说神经网络、SVM等通常只用了一层分类器，很难同时保证推广性和拟合性。在舰船鉴别阶段，通常都是逐次判断直到所有层均判断为船时方可判为船，这样不利于应用于要求将判定目标快速输出的场合。

发明内容

有鉴于此，本发明的目的是提供一种基于类内差异的层次化单分类舰船目标虚警剔除方法，能够剔除阈值分割检测不到的虚警，同时提高检测概率和降低虚警概率。

本发明的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，包括如下步骤：

第一步、对光学遥感图像进行特征提取：

将采集的多个光学遥感图像中包括大船的图像标记为大船切片，包含小船的图像标记为小船切片，不包含舰船的图像标记为虚警切片；分别提取每张切片的特征，并按切片类型分别形成大船数据集RDC、小船数据集RXC和虚警数据集RXJ；

第二步、建立第一层分类器：

依据单分类方法，采用径向基核函数将大船数据集RDC映射到高维空间，在此高维空间寻找最优的分类超平面，以该最优的分类超平面对应的参数构建分类模型，定义为第一层分类器；

第三步：采用第一层分类器对所有大船数据集RDC、小船数据集RXC以及虚警数据集RXJ进行分类预测，具体为：

将大船数据集RDC、小船数据集RXC以及虚警数据集RXJ输入到第一层分类器中，分别得到大船数据集RDC中未被认定为大船的大船漏检集EDC1、小船数据集RXC中未被认定为大船的小船漏检集EXC1以及虚警数据集RXJ中未被认定为大船的虚警剔除集EXJ1；

第四步：建立第二层分类器：

将第三步得到的大船漏检集EDC1作为训练数据集，并采用第二步的方法，建立第二层分类器；

第五步：采用第二层分类器对大船漏检集EDC1、小船漏检集EXC1以及虚警剔除集EXJ1进行预测，分别得到大船漏检集EDC1中未被认定为大船的大船漏检集EDC2、小船漏检集EXC1中未被认定为大船的小船漏检集EXC2以及虚警剔除集EXJ1中未被认定为大船的虚警剔除集EXJ2；

第六步：将大船漏检集EDC2和小船漏检集EXC2组成的数据集采用第二步的方法进行训练，得到第三层分类器；

第七步：对待分类的图像进行预测：

S1：对待分类图像的特征进行提取；

S2：将待分类图像的特征输入第一层分类器中，若被判定为大船，将判定结果输出；若未被判定为大船，执行步骤S2；

S3：将待分类图像的特征输入第二层分类器中，若被判定为大船，将判定结果输出；若未被判定为大船，执行步骤S4；

S4：将待分类图像的特征输入第三层分类器中，若被判定为小船，将判定结果输出；若未被判定为小船，则判定该待分类图像为虚警，输出。

进一步的，将图像中舰船长度大于图像四分之一的图像标记为大船切片，将长度不足图像的四分之一的标记为小船切片，剩余的标记为虚警切片。

进一步的，三种切片的尺寸均为128像素*128像素。

较佳的，所述第一步和第七步的S1中的特征为：10个基于邻域的灰度类和纹理类特征，以及7个基于分割出的目标特征：长宽比、最小外接矩形面积、矩形度、空间扩展度、对称度、面积和短轴长。

较佳的，所述第二步中分类超平面满足检测概率大于95％的前提下，虚警率取最小值。

较佳的，所述第四步的最优的分类超平面满足的条件为检测概率最高。

本发明具有如下有益效果：

1)、将光学遥感图像分为大船、小船和虚警切片，然后基于大船特征数据建立第一层分类器，利用第一层分类器可基本将舰船检测中最需要关注的大船识别出来；当大船特征比较明显时，经过一级检测就可将大船检测出来，因此可实现快速检测大船的目的；

将漏检的大船数据集进行训练形成第二层分类器，当第一层分类器未把大船识别出来时，第二层分类器可将该容易漏检的大船检测出来，因此可提高检测概率；

经过第一层分类器和第二层分类器的筛除，把小船数据集中具有大船特征的剔除，保留具有明显小船特征的数据，形成小船错分集EXC2；同时，通过两层分类器将大船数据集中大船特征不明显的数据剔除出来，形成大船错分集EDC2，用上述两个错分集训练得到第三层分类器，即具有小船特征的分类器，由此，可将第一和第二层分类器无法识别的小船检测出来，提高小船的检测概率。

通过第一、二、三层分类器逐层对虚警数据集进行剔除，即分别剔除虚警中大船和小船的样本，最后得到“真正的虚警”，由此，可降低虚警率。

2)、经过试验验证，本发明的方法在目前阈值剔除虚警的基础上又剔除掉55％的虚警，而且还保证了大船的检测概率在95％以上，不但具有好的推广性能，而且保证了与虚警极其相似的现有样本的检测性能，同时还可以实现部分大小船的分类并分层输出。

附图说明

图1为本发明中三层分类器的建立流程图；

图2为本发明中对待分类图像的预测流程图；

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，如图1所示，包括如下步骤：

第一步：对光学遥感图像进行特征提取：

读入训练样本图像，提取特征。共有17个特征，包括：10个基于邻域灰度和纹理特征以及长宽比、最小外接矩形面积、矩形度、空间扩展度、对称度、面积、短轴长等特征。得到大船、小船、虚警数据集分别为RDC、RXC、RXJ。

第二步：建立第一层分类器：

用大船样本集RDC进行训练，此处选用OC-SVM分类器，其思想是：将输入样本x非线性映射到一个高维特征空间，在此高维特征空间建立一个超平面ω·φ(x)-ρ＝0,将映射点与原点以间隔ρ隔开。其中ω为超平面法向量，φ(x)为样本x在高维空间的映射点。为了寻找距原点最远的最优超平面，需要最大化另外为了提高算法的鲁棒性引入了松弛变量ξ_i。此时单分类OCSVM的优化问题转化为求解二次规划问题：

其中υ∈(0,1]，nυ表示边界支持向量的下界，错分样本的上界，与标准支持向量机中的惩罚参数相似.x_i表示第i个样本，引入拉格拉日系数求解以上问题得

其中α_i和β_i均为大于0的数，分别对ω、ρ和ξ_i进行优化得

将(3)、(4)、(5)式代入(2)并把内积(φ(x_i)，φ(x_j))，用核函数K(x_i,x_j)代替，本文我们使用径向基核(RBF)

K(x_i，x_j)＝exp(-||x_i-x_j||²/σ²) (6)

得到对偶式：

求解以上对偶式并根据KKT条件，由任意的样本x_j即可求得从而得到最终决策函数为其中x_s为支持向量，x为待测样本，α_s为相应支持向量对应的系数，m为支持向量的个数。

由以上求解过程可知，此分类器模型与参数υ和σ²相关，为了得到一组最优的参数值，本文用网格寻优方法将υ从2^-16起将其指数以1为步进进行取值直至取到2⁰即1，σ²从2^-8起将其指数也以1为步进直至取到2⁸为止，这样即可得到17*17组值，对于每一组值利用RDC数据集进行5折交叉验证得到相应的平均检测概率。为了剔除掉平均检测概率较低的参数组，选择其中平均检测概率大于55％的参数组用RDC进行训练得到相应分类器，再用所得分类器分别对虚警RXJ进行预测得到相应参数下的虚警概率,然后根据实际需求的检测概率前提下虚警概率最低的参数组所对应的分类器作为第一层分类器OC-SVM1。此层分类器不仅可以保证将训练集中的绝大部分大船样本检测出来而且还保证了对大船的推广性能。

由于建立的第一层分类器对大船切片样本的检测概率并非100％，大船数据集中会有未被分类成大船的数据，因此，为了提高大船的检测概率，使得第一层分类器能把已有的样本尽量都检测出来，需要把第一层分类器漏检的大船样本提取出来，然后对漏检的大船切片样本集进行训练；同时为了得到对小船和虚警进行识别的训练样品集，本发明利用第一层分类器，即大船分类器，分别对大船数据集、小船数据集和虚警数据集分别进行预测：将大船数据集、小船数据集和虚警数据集分别输入到公式中，根据输出结果进行分类：

当输入大船数据时，输出结果为1时，说明分类正确；当输出结果为-1时，此数据未被分成大船，说明分类错误，将所有分类错误的大船数据集组成大船漏检集EDC1；

当输入小船数据时，输出结果为1时，被分类成大船，说明按分类正确对待，因为此算法的目的还是为了检测船；当输出结果为-1时，此数据未被分成大船，有可能是小船或虚警，需要进一步确定，将所有输出结果为-1的数据组成小船漏检集EXC1；

当输入虚警数据时，输出结果为1时，被分类成大船，说明分类错误；输出结果为-1时，未被分类成大船，有可能是小船或虚警，需要进一步确定，将所有输出结果为-1的数据组成虚警剔除集EXJ1；

第四步：建立第二层分类器：

由于第一层分类器没有对所有的大船数据进行正确分类，因此，为了提高大船的检测概率，将训练集中的大船都检测出来，采用第二步的方法，对大船错分数据集EDC1进行训练，并选取检测概率最高的那组参数所对应的分类器作为第二层分类器OC-SVM2。此步骤中的拟合效果很强，既可以把一层分类器丢掉的大船检测出来，而且又不会引入过多的虚警。

第五步：采用第三步的预测方法，利用第二层分类器OC-SVM2对大船漏检集EDC1、小船漏检集EXC1以及虚警剔除集EXJ1进行预测，即：

将大船错分数据集、小船错分数据集和虚警剔除数据集分别输入到公式中，根据输出结果进行分类：

当输入大船错分数据时，输出结果为1时，说明该数据为大船，分类正确；当输出结果为-1时，此数据未被分成大船，说明该数据再次被第二层分类器认为为非大船，将所有输出结果为-1的数据集组成大船漏检集EDC2；经过第一层分类器和第二层分类器的筛选，大船切片样本基本被选择出来，由此，提高了检测概率。

当输入小船错分数据时，输出结果为1时，被分类成大船，说明分类正确；当输出结果为-1时，此数据也未被第二层分类器分成大船，有可能是小船或虚警，需要进一步确定，将所有输出结果为-1的数据组成小船漏检集EXC2；

当输入虚警数据时，输出结果为1时，被分类成大船，说明分类错误；输出结果为-1时，未被分类成大船，有可能是小船或虚警，需要进一步确定，将所有输出结果为-1的数据组成虚警剔除集EXJ2；

第六步：建立第三层分类器：

如图2所示，在上述步骤中，有一部分小船切片样本未被检测为大船，同时为了避免将大船数据集中类似于小船的样本丢掉，将第一层和第二层分类器不能检测到的小船样本检测出来，将大船漏检集EDC2与小船漏检集EXC2组成的新的训练集，采用第二步的方法进行训练，得到第三层分类器OC-SVM3。此步骤参数选择可根据实际需求在虚警概率和检测概率之中找折中，选取最合适的一组即可。由于该数据集是基于类似于小船特征的大船漏检集和小船漏检集的，该数据集的特征基本为小船切片的特征，因此，该第三层分类器得到的目标均判断为小船，由此可判断出被大船分类器漏检的小船目标。最终经过三层分类器输出均为-1的所有样本视为虚警。

第七步：对待分类的图像进行预测：

S1：对待分类的图像提取10个基于邻域的灰度类和纹理类特征以及7个基于分割出的目标特征：长宽比、最小外接矩形面积、矩形度、空间扩展度、对称度、面积和短轴长，作为待分类图像的特征向量；

S2：将特征矢量x输入第一层分类器OC-SVM1中，若被判定为大船，将判定结果输出；若未被判定为大船，执行步骤S2；

S3：将特征矢量x输入第二层分类器OC-SVM2中，若被判定为大船，将判定结果输出；若未被判定为大船，执行步骤S4；

实施例

本例中选择1712个大船切片、1688个小船切片、以及74406个虚警切片进行实验。各取一半作为训练集分别表示为：RDC1，RXC1，RXJ1，剩余的一半作为预测集，分别为：RDC2，RXC2，RXJ2。

第一步：分别对所有的大船、小船、虚警切片进行特征提取得到17维特征向量。

第二步：用一半大船数据集RDC1作为训练集进行参数寻优，根据实际需求选取相应平均检测概率下的参数组，用RDC1训练生成的分类器1.

第三步：用第二步所得分类器1,对RDC1、RXC1、RXJ1进行预测得到大船错分集EDC1、小船错分集EXC1、虚警剔除集EXJ1。

第四步：用大船漏错分EDC1进行参数寻优选取检测概率最高的参数组并训练生成分类器2。

第五步：用分类器2去预测大船错分集EDC1、小船错分集EXC1、虚警剔除集EXJ1，得到大船错分集EDC2、小船错分集EXC2、虚警剔除集EXJ2。

第六步：将大船错分集EDC2和小船错分集EXC2组成新的训练集，再进行参数寻优，并选取检测概率满足要求的参数组所对应生成的分类器作为分类器3。

由以上训练生成的分类器分别对训练集和预测集进行预测得到的结果如下表(1)所示：

表(1)训练集与测试集结果对比

	大船检测概率	小船检测概率	虚警概率
				训练集	0.9930	0.9739	0.4511
预测集	0.9661	0.9408	0.4446

由表(1)结果可以得出本算法不但检测性能高而且推广性能强。具有很好的虚警剔除能力，满足了大船检测概率达到95％以上，虚警概率不超过50％的需求。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于类内差异的层次化单分类舰船目标虚警剔除方法，其特征在于，包括如下步骤：

第一步、对光学遥感图像进行特征提取：

第二步、建立第一层分类器：

第四步：建立第二层分类器：

第七步：对待分类的图像进行预测：

S1：对待分类图像的特征进行提取；

2.如权利要求1所述的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，其特征在于，将图像中舰船长度大于图像四分之一的图像标记为大船切片，将长度不足图像的四分之一的标记为小船切片，剩余的标记为虚警切片。

3.如权利要求1所述的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，其特征在于，三种切片的尺寸均为128像素*128像素。

4.如权利要求1所述的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，其特征在于，所述第一步和第七步的S1中的特征为：10个基于邻域的灰度类和纹理类特征，以及7个基于分割出的目标特征：长宽比、最小外接矩形面积、矩形度、空间扩展度、对称度、面积和短轴长。

5.如权利要求1所述的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，其特征在于，所述第二步中分类超平面满足检测概率大于95％的前提下，虚警率取最小值。

6.如权利要求1所述的一种基于类内差异的层次化单分类舰船目标虚警剔除方法，其特征在于，所述第四步的最优的分类超平面满足的条件为检测概率最高。